?

與傳統(tǒng)能源不同，風(fēng)電、光伏等新能源受環(huán)境因素影響很大，風(fēng)能、日照的隨機(jī)性和波動(dòng)性都會(huì)對(duì)電網(wǎng)的穩(wěn)定性和安全性帶來(lái)嚴(yán)峻挑戰(zhàn)。不過(guò)隨著人工智能 (Artificial Intelligence，AI)、物聯(lián)網(wǎng)、云計(jì)算等新興技術(shù)更多地與新能源產(chǎn)業(yè)相融合，以智能化手段來(lái)應(yīng)對(duì)以上挑戰(zhàn)，正成為新能源企業(yè)面向未來(lái)，領(lǐng)跑綠色能源發(fā)展之路的首選。

?

北京金風(fēng)慧能技術(shù)有限公司 (以下簡(jiǎn)稱金風(fēng)慧能) 正利用深度學(xué)習(xí)與機(jī)器學(xué)習(xí)的方法，結(jié)合風(fēng)機(jī)級(jí)氣象預(yù)報(bào)、風(fēng)軌跡模擬等氣象預(yù)報(bào)數(shù)據(jù)， 以多模型組合的方式來(lái)構(gòu)建用于功率預(yù)測(cè)的全新智能方案。為此，金風(fēng)慧能與英特爾開展了緊密的合作，基于英特爾統(tǒng)一的大數(shù)據(jù)分析和 AI 平臺(tái)——Analytics Zoo，打造了從特征工程搭建、預(yù)測(cè)影響因子捕捉、多模型組合到定制化策略更新的分布式架構(gòu)， 并針對(duì)預(yù)測(cè)數(shù)據(jù)的時(shí)序特性進(jìn)行了有針對(duì)性的優(yōu)化。隨后的一系列場(chǎng)站測(cè)試中，雙方合力打造的全新方案也得到了驗(yàn)證并收獲了良好的應(yīng)用效果。

?

“金風(fēng)慧能一直致力于將 IT 前沿技術(shù)與新能源的發(fā)展相融合，為用戶提供更為高效、敏捷的新能源解決方案。Analytics Zoo 所提供的統(tǒng)一端到端架構(gòu)，及其在時(shí)序數(shù)據(jù)分析方面的優(yōu)勢(shì)，不僅使我們結(jié)合氣象預(yù)報(bào)數(shù)據(jù)的多模型組合功率預(yù)測(cè)方案具有更敏捷的部署效率，在預(yù)測(cè)準(zhǔn)確率、穩(wěn)定性方面也能獲得較大提升?！?/span>

張利

金風(fēng)慧能首席架構(gòu)師

?

Analytics Zoo 助力分布式功率預(yù)測(cè)架構(gòu)搭建

金風(fēng)慧能新方案的主要優(yōu)勢(shì)是與氣象預(yù)報(bào)數(shù)據(jù)進(jìn)行了結(jié)合。眾所周知，氣象預(yù)報(bào)數(shù)據(jù)是一種典型的時(shí)序數(shù)據(jù)，其數(shù)值會(huì)隨著時(shí)間的變化而發(fā)生變化。因此，選擇更適用于時(shí)序數(shù)據(jù)處理的系統(tǒng)架構(gòu)，無(wú)疑可進(jìn)一步提升預(yù)測(cè)系統(tǒng)的準(zhǔn)確性和穩(wěn)定性，而英特爾統(tǒng)一的大數(shù)據(jù)分析和AI 平臺(tái)——Analytics Zoo，不僅可為方案提供統(tǒng)一的端到端分布式方案，幫助用戶提升系統(tǒng)的開發(fā)部署效率和可擴(kuò)展性，同時(shí)其在時(shí)序數(shù)據(jù)分析方面的獨(dú)特功能和優(yōu)勢(shì)也能為新方案提供更強(qiáng)助力。

作為英特爾在大數(shù)據(jù)分析與 AI 領(lǐng)域的融合型創(chuàng)新成果，如圖1 所示， Analytics Zoo 可幫助金風(fēng)慧能將新方案中的 Spark、TensorFlow、Keras 及其它軟件和框架無(wú)縫集成到同一管道中。這一方法有助于金風(fēng)慧能將數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)處理以及訓(xùn)練推理的流水線整合到統(tǒng)一的基礎(chǔ)設(shè)施上，來(lái)大幅提升新方案的部署效率、資源利用率和可擴(kuò)展性，并減少用于硬件管理及系統(tǒng)運(yùn)維的成本。
?

?

同時(shí)，Analytics Zoo 還能卓有成效地將英特爾提供的眾多底層軟件加速庫(kù)，如英特爾? 數(shù)學(xué)核心函數(shù)庫(kù) (Intel? Math Kernel Library，英特爾? MKL)、面向深度神經(jīng)網(wǎng)絡(luò)的英特爾? 數(shù)學(xué)核心函數(shù)庫(kù) (Intel? Math Kernel Library for Deep Neural Network, 英特爾? MKL-DNN) 等，應(yīng)用到上層功率預(yù)測(cè)方案的優(yōu)化中去；并可將 TensorFlow、Keras 模型透明地?cái)U(kuò)展到大數(shù)據(jù)集群，使用戶能更方便地在訓(xùn)練或推理方案中采用分布式架構(gòu)，以進(jìn)一步提升性能表現(xiàn)。

?

在提供統(tǒng)一的端到端平臺(tái)架構(gòu)之外，Analytics Zoo 給予新方案的優(yōu)勢(shì)，還在于其提供了一系列與時(shí)序數(shù)據(jù)分析相關(guān)的功能和特性。首先，Analytics Zoo 對(duì)于不同時(shí)序分析應(yīng)用，如時(shí)序預(yù)測(cè)、異常檢測(cè)、時(shí)序表征學(xué)習(xí)、時(shí)序聚類等，都可提供完整的解決方案，便于金風(fēng)慧能在新方案中構(gòu)建更多的預(yù)測(cè)方法組合；其次，Analytics Zoo 針對(duì)時(shí)序數(shù)據(jù)預(yù)置了豐富的功能組件，包括：

? 功率預(yù)測(cè)常見的深度學(xué)習(xí)和機(jī)器學(xué)習(xí)模型：LSTM、Encoder-Decoder、MTNet、ARIMA 等；

? 功率預(yù)測(cè)中常用的數(shù)據(jù)預(yù)處理和特征工程：Datetime features、Time diff、Log-transform、Rolling window 等；

? 功率預(yù)測(cè)中普遍的異常探測(cè)方法：Percentile、Distribution-based、Uncertainty based、Autoencoder 等。

除了以上組件，Analytics Zoo 還可為新方案提供 AutoML (自動(dòng)機(jī)器學(xué)習(xí)) 方法，使之能夠進(jìn)行自動(dòng)化特征選擇、模型選擇和超參調(diào)優(yōu)等，令預(yù)測(cè)模型得以更好地?cái)M合發(fā)電設(shè)備輸出功率的變化周期。

?

為驗(yàn)證基于 Analytics Zoo 的全新分布式功率預(yù)測(cè)方案在實(shí)際運(yùn)行中的表現(xiàn)，金風(fēng)慧能與英特爾一起，在全國(guó)多個(gè)光伏測(cè)試場(chǎng)站進(jìn)行了實(shí)地測(cè)試。驗(yàn)證方案以月為周期，在每一個(gè)測(cè)試的光伏場(chǎng)中，在單小時(shí)內(nèi)使用 30,000 條記錄對(duì) LSTNet 模型進(jìn)行 5,000 次迭代優(yōu)化，并在 50 毫秒內(nèi)獲得未來(lái) 2 小時(shí)的功率預(yù)測(cè)數(shù)據(jù)。驗(yàn)證結(jié)果如圖2 所示，新方案在預(yù)測(cè)準(zhǔn)確率上超越了原有方案的 59%，達(dá)到了 79.41%。

?

?

?

金風(fēng)慧能全新智能功率預(yù)測(cè)方案實(shí)現(xiàn)的優(yōu)勢(shì)

? 與傳統(tǒng)功率預(yù)測(cè)方案相比，結(jié)合氣象預(yù)報(bào)數(shù)據(jù)的多模型組合功率預(yù)測(cè)新方案，能獲得更有效的時(shí)序數(shù)據(jù)支撐，令預(yù)測(cè)準(zhǔn)確率和穩(wěn)定性更高；
? 英特爾統(tǒng)一的大數(shù)據(jù)分析和 AI 平臺(tái) Analytics Zoo 為新方案提供了統(tǒng)一的端到端架構(gòu)，可幫助用戶提高系統(tǒng)的開發(fā)部署效率和可擴(kuò)展性，降低硬件與運(yùn)維的成本；? Analytics Zoo 在時(shí)序數(shù)據(jù)分析方面的獨(dú)特功能和優(yōu)勢(shì)，為新方案提供了更優(yōu)的預(yù)測(cè)性能，可使預(yù)測(cè)模型與發(fā)電設(shè)備的實(shí)際輸出功率實(shí)現(xiàn)更好的擬合。

如果您想要了解該解決方案的詳細(xì)信息，請(qǐng)關(guān)注英特爾開發(fā)人員專區(qū)微信公眾號(hào)在后臺(tái)回復(fù)“GoldWindAI”，即可獲取相關(guān)資料。